Workshop 7 : QSAR approach: Philosophy and Methodology.
Dr. Khairedine Kraim
Laboratory Of Physical Chemistry and Biological of Materials, ENSET - Skikda
Email: kkhchem@gmail.com
Le terme QSAR signifie la relation quantitative entre la structure et l’activité biologique. Ce domaine de recherche a pour but de corréler les structures moléculaires, codées en descripteurs numériques, avec leurs propriétés ou activités en utilisant des techniques de modélisation informatiques et mathématiques.
QSAR est devenue un outil avantageux et précieux, notamment dans la recherche pharmaceutique industrielle, plus particulièrement dans le cas où la disponibilité des échantillons est limitée ou les mesures expérimentales sont dangereuses, longues et chères.
La dérivation de la relation directe avec la structure moléculaire n‘est pas facile. Il est cependant possible d'identifier plusieurs facteurs structurels connus comme descripteurs moléculaires qui influent sur la propriété moléculaire choisi. Cependant, la modélisation directe de l’activité ne peut pas être obtenue directement à partir de la structure moléculaire. Cette dernière doit d’abord être codée en tant que descripteurs numériques traduisant les propriétés physico-chimiques influant sur l'activité visée, tels que : la taille, la forme, le nombre de radicaux, la polarité et la capacité d’établir des liaisons d'hydrogène.
Outline:
1. Définitions et généralités.
2. Classification des méthodes QSAR.
3. Les descripteurs moléculaires.
4. Etapes de développement d’un modèle QSAR.
5. QSAR et criblage virtuel.
6. Applications des méthodes QSAR.
7. QSAR et les autres méthodes de CADD.
8. Limitations de l’approche QSAR.
Workshop QSAR: Modélisation statistique d’une réponse biologique
Kraim Kheireddine et Mohamed Brahimi
Etape 01. Pratiques de base avec le logiciel Minitab
a. Rappels sur les notions: matrice, vecteur, matrice inverse.
b. Algorithmes d’apprentissage: MLR, OLS, paramètres statistiques pour juger un modèle QSAR.
Etape 02. Sélection de descripteurs
a. Prétraitement de la matrice mère de descripteurs,
b. Réduction de la matrice de descripteurs, en utilisant différents algorithmes de sélection de variables (à base des méthodes statistiques ou bien méta -heuristiques),
Etape 03. Choix de l’algorithme d’apprentissage
a. L’algorithme d’apprentissage MLR,
b. L’algorithme d’apprentissage ANN,
c. L’algorithme d’apprentissage SVM,
Etape 04. Validation du modèle
a. Validation interne
b. Validation externe
On utilisera le logiciel Molegro Virtal Docker (Data analyzer) ou bien Discovery Studio pour prédire quantitativement la valeur de la réponse biologique d’une large chimiothèque.